基于运动目标的视频浓缩技术研究

发布时间：2017-04-19 18:19

  本文关键词：基于运动目标的视频浓缩技术研究，由笔耕文化传播整理发布。

【摘要】：随着“平安城市”理念的提出,数以万计的监控设备被安装到银行、学校、走廊等地方,每天都会产生大量的监控视频,这给我们的视频浏览、检索、存储等工作带来巨大的挑战。而视频浓缩技术正是解决这些问题的一种有效手段,在大大缩短监控视频的长度的同时却不丢失原始视频中的运动信息。该技术不但可以实现高效存储,而且更便于用户浏览、检索监控视频,已然成为当下处理监控视频的一项热门技术。本文先系统地阐述了监控视频的浓缩原理,然后分别介绍了整个浓缩过程中几个关键的流程步骤,如运动物体检测、运动物体跟踪、轨迹的组合优化等,针对这几个步骤中现有算法的局限性,本文分别提出了相应的改进算法,最后得到浓缩结果。论文的主要工作如下:由于基于单一特征的背景建模方法存在一定的局限性,所以为了提高运动物体检测的鲁棒性和准确性,本文提出了一种基于纹理特征的SI LTP和基于颜色特征的单高斯相结合的背景建模算法。在该方法中,首先利用SILTP的纹理模型提取运动前景和背景,然后再利用单高斯颜色模型对目标纹理与背景纹理相近处进行检测,从而修正误判的前景和背景。实验结果表明:与其他单一特征的背景建模方法相比,本算法检测出的运动物体轮廓更加清晰,在召回率和虚警率上均优于单一特征的背景建模方法。为了提高运动物体跟踪的准确度,本文提出了一种基于Camshift与SIFT线性融合的轨迹跟踪算法。在该融合算法中,首先利用Camshift跟踪算法对运动物体进行一个初始的跟踪,得到跟踪区域,然后再利用SIFT对跟踪区域进行特征提取与匹配,校准跟踪区域,最后将Camshift的跟踪结果与校准结果进行线性融合,得到最终的轨迹跟踪结果。实验结果表明:与MeanShift和Camshift相比,本算法的跟踪误差最小,能较好地完成目标的跟踪。为了保持浓缩视频的空间一致性和减少碰撞,本文提出了一种基于时间轴转移的轨迹优化方法。在该方法中,利用能量代价函数来衡量原始视频到浓缩视频的转化,当能量代价函数最小时,轨迹的优化效果最好。最后在原视频中更新提取背景图像,通过泊松编辑将所有的运动目标拼接到对应的背景图像中,形成浓缩视频。实验结果表明:与基于时空转移的轨迹优化方法相比,本文方法能有效地避免目标间的碰撞、保持原视频中目标间的相关性,使得浓缩视频更加真实。
【关键词】：视频浓缩 SILTP 目标跟踪 SIFT 能量代价函数
【学位授予单位】：南京邮电大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TN948.6
【目录】：

• 摘要4-5
• Abstract5-9
• 专用术语注释表9-10
• 第一章 绪论10-14
• 1.1 课题研究背景及意义10-11
• 1.2 国内外研究现状11-12
• 1.3 本文主要研究内容及组织结构12-14
• 1.3.1 本文主要研究内容12-13
• 1.3.2 本文组织结构13-14
• 第二章 视频浓缩技术基础14-25
• 2.1 视频浓缩原理14-15
• 2.2 背景建模技术15-19
• 2.2.1 混合高斯背景建模16-17
• 2.2.2 基于LBP的背景建模17-19
• 2.3 目标跟踪技术19-22
• 2.3.1 卡尔曼滤波跟踪19-20
• 2.3.2 MeanShift跟踪算法20-22
• 2.4 基于运动轨迹优化的浓缩展现22-24
• 2.4.1 基于时空转移的轨迹优化方法23
• 2.4.2 基于类似活动的轨迹优化方法23
• 2.4.3 基于带状雕刻剪裁的轨迹优化方法23-24
• 2.4.4 基于用户关注空间与注意力分析的轨迹优化方法24
• 2.4.5 基于多视频融合的轨迹优化方法24
• 2.5 本章小结24-25
• 第三章 基于SILTP与单高斯相融合的前景检测25-40
• 3.1 基于SILTP的纹理特征前景检测25-29
• 3.1.1 尺度不变局部三值模式（SILTP）25-27
• 3.1.2 基于SILTP纹理直方图的背景建模27-29
• 3.2 基于单高斯背景建模的前景检测29-31
• 3.3 基于纹理特征与颜色特征相结合的前景检测31-32
• 3.4 实验结果与分析32-39
• 3.4.1 简单背景下的背景建模效果图比较32-33
• 3.4.2 光线突变情况下的背景建模效果图比较33-35
• 3.4.3 有运动阴影时的背景建模效果图比较35-36
• 3.4.4 各背景建模算法的数据比较36-37
• 3.4.5 混合高斯和SILTP的融合算法与本文算法的比较37-39
• 3.5 本章小结39-40
• 第四章 基于Camshift与SIFT线性融合的运动物体跟踪40-56
• 4.1 连续自适应均值漂移算法(Camshift算法)40-44
• 4.1.1 RGB空间到HSV空间的转换40-41
• 4.1.2 反向投影41-42
• 4.1.3 Camshift算法流程42-44
• 4.2 SIFT特征提取44-48
• 4.2.1 在尺度空间中检测极值点45-46
• 4.2.2 关键点定位46-47
• 4.2.3 为关键点指定方向47
• 4.2.4 生成关键点描述子47-48
• 4.3 基于Camshift与SIFT线性融合的运动物体跟踪48-50
• 4.3.1 SIFT特征匹配49-50
• 4.3.2 特征点中心的重心转移计算50
• 4.3.3 校准跟踪结果50
• 4.3.4 融合Camshift和SIFT50
• 4.4 实验结果及评价50-55
• 4.4.1 目标尺度发生变化时各算法的跟踪结果51-52
• 4.4.2 目标旋转时各算法的跟踪结果52-54
• 4.4.3 目标颜色与背景颜色相近时各算法的跟踪结果54-55
• 4.5 本章小结55-56
• 第五章 基于运动轨迹优化的浓缩视频56-67
• 5.1 基于时间轴转移的轨迹组合57-60
• 5.1.1 能量代价函数57-59
• 5.1.2 能量最小化59-60
• 5.2 浓缩视频的生成60-63
• 5.2.1 背景视频的生成60-62
• 5.2.2 背景图像与运动目标的拼接62-63
• 5.3 实验结果与评价63-66
• 5.4 本章小结66-67
• 第六章 总结与展望67-69
• 6.1 总结67-68
• 6.2 展望68-69
• 参考文献69-72
• 附录 攻读硕士学位期间发表的论文72-73
• 致谢73

【相似文献】

中国期刊全文数据库 前10条

1 金俣欣;陶霖密;徐光yP;彭玉新;;摄像机自由运动环境下的背景建模[J];中国图象图形学报;2008年02期

2 王智灵;周露平;陈宗海;;针对不同信息特征的鲁棒背景建模技术分析[J];模式识别与人工智能;2009年02期

3 姜忠民;赵建民;朱信忠;;基于最大间隔聚类的背景建模方法[J];计算机技术与发展;2009年10期

4 余孟泽;刘正熙;骆健;杨丹;;基于块背景建模的运动目标检测[J];四川大学学报(自然科学版);2011年03期

5 葛海淼;戴学丰;王成琳;;一种新型移动物体检测及背景建模系统[J];电子技术应用;2013年01期

6 桑农;张涛;李斌;吴翔;;基于字典学习的背景建模[J];华中科技大学学报(自然科学版);2013年09期

7 左军毅;潘泉;梁彦;张洪才;程咏梅;;基于模型切换的自适应背景建模方法[J];自动化学报;2007年05期

8 张水发;丁欢;张文生;;双模型背景建模与目标检测研究[J];计算机研究与发展;2011年11期

9 杨敏;安振英;;基于低秩矩阵恢复的视频背景建模[J];南京邮电大学学报(自然科学版);2013年02期

10 李子龙;刘伟铭;张阳;;基于自适应模糊估计的背景建模方法[J];华南理工大学学报(自然科学版);2013年09期

中国重要会议论文全文数据库 前5条

1 王智灵;陈宗海;周露平;;基于多信息层次的鲁棒背景建模方法[A];2007系统仿真技术及其应用学术会议论文集[C];2007年

2 李霞;董雁冰;王亚辉;王俊;;空间光学辐射背景建模研究[A];2007年光电探测与制导技术的发展与应用研讨会论文集[C];2007年

3 何强;林宏基;;基于蚁群算法的自适应背景建模[A];第十一届中国体视学与图像分析学术会议论文集[C];2006年

4 李恒晖;杨金锋;任小慧;吴仁彪;;一种多约束条件的混合高斯背景建模方法[A];全国第二届信号处理与应用学术会议专刊[C];2008年

5 韩颖婕;张海;李琳怡;;基于混合高斯背景建模的阴影抑制算法[A];第十四届全国图象图形学学术会议论文集[C];2008年

中国博士学位论文全文数据库 前4条

1 叶芳芳;监控视频中的异常行为检测研究[D];浙江大学;2014年

2 邹腾跃;复杂环境目标检测与跟踪关键技术研究及应用[D];华中科技大学;2013年

3 何志伟;基于模型的目标提取及其在智能交通中的应用[D];浙江大学;2006年

4 江疆;基于稀疏表达的若干分类问题研究[D];华中科技大学;2014年

中国硕士学位论文全文数据库 前10条

1 刘雨辰;复杂背景中的多目标检测与跟踪[D];内蒙古大学;2015年

2 胡婷;基于视频技术的车辆检测跟踪及分类算法研究与实现[D];长安大学;2015年

3 杨文帮;基于视频分析的人群流量检测[D];贵州民族大学;2015年

4 赖文杰;基于ARM-FPGA的视觉追踪系统的设计与实现[D];哈尔滨工业大学;2015年

5 宋欢欢;复杂场景下背景建模方法的研究与实现[D];南昌大学;2015年

6 苏建安;面向智能视频监控的高动态场景建模和修复[D];电子科技大学;2014年

7 滕琳琳;基于高阶扩展FMM和低秩矩阵恢复的信号重建研究[D];河北工业大学;2015年

8 张惊州;复杂场景下基于视频的行人流量统计算法研究[D];电子科技大学;2014年

9 陈星明;基于背景建模的运动目标监控视频检测算法[D];南京大学;2015年

10 柯太清;基于快速背景建模的人物越界检测系统设计与实现[D];电子科技大学;2014年

  本文关键词：基于运动目标的视频浓缩技术研究，，由笔耕文化传播整理发布。

本文编号：316872